Datenvisualisierung 2

Darstellung der zusammenfassenden Statistik

Autor:in

Zugehörigkeit

Daniela Palleschi

Humboldt-Universität zu Berlin

Veröffentlichungsdatum

20. Juni 2023

Wiederholung

Letzte Woche haben wir…

Maße der zentralen Tendenz (neu) kennengelernt ✅
Maße der Streuungsmaßen kennengelernt ✅
gelernt, wie man die Funktion summarise() von dplyr benutzt ✅
gelernt, wie man Zusammenfassungen nach (.by =) Gruppen erstellt ✅

Gleichungen

Wofür sind diese Gleichungen gedacht?
Wofür steht jedes Symbol?
Lösen wir für $\mu$ und $\sigma$, wenn $x$ gleich ist:
- $x = 12, 35, 15, 20$

\[\begin{align} \mu &= \frac{\sum{x}} {N} \\ \\ \sigma &= \frac{\sum{(x_i - \mu)}} {N-1} \end{align}\]

Heutige Ziele

Diese Woche werden wir lernen, wie man…

mehr als drei Variablen mit facet_wrap() darstellt
zusammenfassende Statistiken visualisiert
mehrteilige Diagramme erstellt (z. B. Verteilungen mit zusammenfassenden Statistiken)

Lust auf mehr?

Section 2.5 (Visualising relationsips) in Wickham et al. (o. J.)
Ch. 4 (Representing summary statistics) in Nordmann et al. (2022)

1 Einrichtung

# turn off scientific notation
options(scipen = 999)

pacman::p_load(tidyverse,
               palmerpenguins,
               ggthemes,
               patchwork)

df_penguins <- palmerpenguins::penguins %>% 
  drop_na()

2 Rückblick: Visualisierung von Verteilungen

Wir haben dies in Woche 3 anhand von
- Histogramme (1 numerische Variable)
- Dichteplots (1 numerische Variable)
- Streudiagramme (2 numerische Variablen)
- Balkendiagramme (kategorische Variablen)

Wie viele Variablen werden in jeder Abbildung in Abbildung 1 dargestellt?
- Welche Typen von Variablen werden in den einzelnen Diagrammtypen dargestellt?

Abbildung 1: Different plots types to visualise distribution of raw data: histogram (A), density plot (B), scatterplot (C), stacked barplot (D), and dodged barplot (E)

2.1 Geigenplots

Wir können auch Violinplots verwenden, die derzeit ziemlich angesagt sind
- im Grunde ein doppelseitiges/gespiegeltes Dichte-Diagramm
Violinplots gelten als einfacher zu lesen
- wie wir später sehen werden, lassen sie sich auch leicht mit anderen Plots überlagern

Code

  df_penguins %>% 
  ggplot(aes(x = species, y = body_mass_g, fill = species)) +
  geom_violin(alpha = .2) +
  labs(title = "Violin plot",
       x = "Body mass (g)",
       y = "Count",
    fill = "Species") +
  scale_color_colorblind() +
  scale_fill_colorblind() +
  theme_minimal()

Abbildung 2: Violin plot: a mirrored density plot

Gespiegelte Dichtekurve

Was bedeutet “gespiegeltes” Dichteplot? Geigenplots sind buchstäblich nur ein doppelseitiger Dichteplot. Vergleichen Sie Abbildung 3 mit Abbildung 4. Sie zeigen dieselben Daten und dieselbe Verteilung, aber die Geigen-Darstellung ist einfach eine beidseitige Dichte-Darstellung, aber ohne die entlang der Achse gedruckten “Dichte”-Werte.

Code

  df_penguins %>% 
  ggplot(aes(y = body_mass_g, fill = species)) +
  facet_grid(~species) +
  geom_density(alpha = .2) +
  labs(title = "Density plot"
       ) +
  scale_fill_colorblind() +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust=1))

Abbildung 3: Density plot: same violin plot

Code

  df_penguins %>% 
  ggplot(aes(x = species, y = body_mass_g, fill = species)) +
  geom_violin(alpha = .2) +
  labs(title = "Violin plot",
       x = "Body mass (g)",
       y = "Count",
    fill = "Species") +
  scale_fill_colorblind() +
  theme_minimal()

Abbildung 4: Violin plot: a mirrored density plot

3 Visualisierung von 3 oder mehr Variablen

Wie wir wissen, können wir mehr Variablen einbeziehen, indem wir sie auf die Ästhetik abbilden (z. B. colour, fill oder shape)
Abbildung 1 hat dies getan, indem es colour (alle Diagramme) und shape (Scatterplot) verwendet hat, um species oder sex zusätzlich zu dem zu visualisieren, was entlang der x- und y-Achse abgebildet wurde

das Hinzufügen von zu vielen Variablen zu einer einzigen Darstellung kann die Lesbarkeit erschweren
Wie viele Variablen werden zum Beispiel im folgenden Code abgebildet?

df_penguins %>% 
  ggplot(aes(x = flipper_length_mm, y = body_mass_g)) +
  geom_point(aes(color = species, shape = island)) +
  labs(
    x = "Flipper length (mm)",
    y = "Body mass (g)",
    color = "Species",
    shape = "Island"
  ) +
  scale_color_colorblind() +
  theme_minimal()

Abbildung 5: A cluttered scatterplot with 4 variables

vier: flipper_length_mm (x-Achse), body_mass_g (y-Achse), species (Farbe), island (Form)
- das ist optisch etwas unübersichtlich!

3.1 `facet_wrap()`

eine gute Möglichkeit, unsere Daten in verschiedene Panels aufzuteilen, ist die Verwendung von facet_wrap()
- kann verwendet werden, um ein unübersichtliches Diagramm in separate Panels zu unterteilen

Versuchen wir, Abbildung 5 mit facet_wrap() in drei Panels zu unterteilen, und zwar nach island.

df_penguins %>% 
  ggplot(aes(x = flipper_length_mm, y = body_mass_g)) +
  facet_wrap(~island) +
  geom_point(aes(color = species, shape = species)) +
  labs(
    x = "Flipper length (mm)",
    y = "Body mass (g)",
    color = "Species",
    shape = "Island"
  ) +
  scale_color_colorblind() +
  theme_bw()

Welche Art von Variablen kann facet_wrap() als Argument(e) annehmen?
- kategorisch! Jede ‘Kategorie’ erhält ihr eigenes Panel

facet_grid()

facet_wrap() ist verwandt mit facet_grid(), das zwei kategoriale Variablen, eine in Spalten und eine in Zeilen, annehmen kann. Das Argument für facet_grid() ist eine Gleichung: row~column. Wenn wir also facet_grid(sex~island) zu unserem Diagramm hinzufügen, sollten wir die Daten in Diagrammen sehen, die nach sex in Zeilen (eine Zeile für female, eine Zeile für male) und nach island in Spalten (eine Spalte für jedes island) gruppiert sind.

df_penguins %>% 
  ggplot(aes(x = flipper_length_mm, y = body_mass_g)) +
  facet_grid(sex~island) +
  geom_point(aes(color = species, shape = species)) +
  labs(
    x = "Flipper length (mm)",
    y = "Body mass (g)",
    color = "Species",
    shape = "Species"
  ) +
  scale_color_colorblind() +
  theme_bw()

4 Darstellung von zusammenfassenden Statistiken

Letzte Woche haben wir über zusammenfassende Statistiken gesprochen
- Maße der zentralen Tendenz und Maße der Streuung
jetzt werden wir lernen, wie man einige dieser Statistiken visualisiert
- und lernen einige neue Statistiken kennen

4.1 Boxplot

Boxplots (manchmal auch Box-and-Whisker-Plots genannt) enthalten:
- eine Box mit einer Linie in der Mitte
- Linien, die aus dem oberen und unteren Rand der Box herausragen (die Whisker)
die darstellen:
- dicke Linie: den Median, auch Q2 genannt (2. Quartil; der mittlere Wert, über/unter dem 50% der Daten liegen)
- Box: der Interquartilsbereich (IQR; der Wertebereich zwischen den mittleren 50% der Daten), mit den Grenzen:
  - Q1 (1. Quartil, unter dem 25% der Daten liegen)
  - Q3 (3. Quartil, oberhalb dessen 25% der Daten liegen)
- Whiskers: 1,5*IQR von Q1 (unterer Whisker) oder Q3 (oberer Whisker)
  - aber nur bis zur letzten Beobachtung in diesem Bereich
- Punkte: Ausreißer (außerhalb des IQR)

Abbildung 8: Boxplot of `df_penguins` (body mass by sex)

Whisker length

Die Whisker können so lang sein wie Q3+(IQR*1,5) und Q1-(IQR*1,5), enden aber an der letzten Beobachtung, die in diesen Bereich fällt. Betrachten wir beispielsweise Abbildung 9: Wenn die Whisker das 1,5-fache des IQR sein sollen, müssten sie länger sein als die Box, aber das scheinen sie nicht zu sein. Woran liegt das? Konzentrieren wir uns auf den unteren Whisker für weibliche Pinguine (den unteren linken Whisker). Er sollte nur so weit nach unten reichen wie die niedrigste Beobachtung innerhalb des Bereichs von Q1 minus IQR*1,5, aber was sind diese Werte? Berechnen wir mit R Q1, Q3, IQR, den oberen und unteren Bereich, den die Whisker haben können (also die Höchst-/Minimalwerte, die die Whisker haben können), und schließlich den Mindestwert einer Beobachtung innerhalb dieses Bereichs (also die Mindestwerte, die der untere Whisker haben wird).

df_penguins %>% 
  filter(sex == "female") %>% 
  select(body_mass_g) %>% 
  summary()

  body_mass_g  
 Min.   :2700  
 1st Qu.:3350  
 Median :3650  
 Mean   :3862  
 3rd Qu.:4550  
 Max.   :5200

q1 <- 3350
q3 <- 4550

iqr <-
  df_penguins %>% 
  filter(sex == "female") %>% 
  pull(body_mass_g) %>% 
  IQR()

q3 - q1

[1] 1200

iqr

[1] 1200

iqr*1.5

[1] 1800

upper <- q3 + iqr
lower <- q1 - iqr

upper

[1] 5750

lower

[1] 2150

df_penguins %>% 
  filter(body_mass_g < q1 & 
           body_mass_g > lower &
           sex == "female") %>% 
  select(body_mass_g) %>% 
  min()

[1] 2700

Abbildung 9: Boxplot of body mass (g) with horizontal lines representing quartiles and whisker ranges for female penguins, with observations (scatterplot).

Image source: Winter (2019) (all rights reserved)

Oder, anders ausgedrückt:

Image source: Wickham et al. (o. J.) (all rights reserved)

4.1.1 `geom_boxplot()`

können wir Boxplots mit geom_boxplot() erstellen

df_penguins %>% 
  ggplot(aes(x = species, y = body_mass_g)) +
  geom_boxplot() +
  theme_bw()

Wie viele/welche Variablentypen nimmt geom_boxplot()?
- 2 Variablen: 1 kontinuierlich (body_mass_g), 1 kategorisch (species)

4.1.2 Gruppierter Boxplot

Wie ein Balkendiagramm können wir gruppierte Boxplots erstellen, um mehr Variablen zu visualisieren
- einfach eine neue Variable mit colour oder fill ästhetisch zuordnen

df_penguins %>% 
  ggplot(aes(x = species, y = body_mass_g, 
             colour = sex)) +
  geom_boxplot() +
  labs(
    x = "Species",
    y = "Body mass (g)",
    color = "Species",
    shape = "Species"
  ) +
  scale_colour_colorblind() +
  theme_bw()

5 Visualisierung des Mittelwerts

Boxplots zeigen ein Maß für die zentrale Tendenz und mehrere Maße für die Streuung
- Median, IQR (Q1 und Q3), 1,5*IQR (Whiskers) und Ausreißer (Punkte)
In der Regel möchten wir jedoch den Mittelwert und die Standardabweichung beschreiben, wenn wir Schlussfolgerungen über Unterschiede zwischen Gruppen ziehen.
Wie können wir dies tun?

5.1 Fehlerbalkenplots

Wir können den Mittelwert und die Standardabweichung mit Fehlerbalkenplots visualisieren
- manchmal auch Interaktionsdiagramme genannt
Diese Darstellungen bestehen aus 2 Teilen:
- den Mittelwert, visualisiert mit geom_point()
- die Standardabweichung, visualisiert mit geom_errorbar()
die Fehlerbalken stellen den Bereich von 1 Standardabweichung über und unter dem Mittelwert dar (Mittelwert +/- 1SD)

Abbildung 11: Errorbar plot of `df_penguins` (body mass by sex)

Errorbars: standard deviation

In wissenschaftlichen Veröffentlichungen stehen sie in der Regel für Konfidenzintervalle (EN: confience intervals), Standardfehler (EN: standard error) oder glaubwürdige Intervalle (in der Bayes-Statistik; EN: credible interval), die eine Inferenzstatistik darstellen, die, einfach ausgedrückt, versucht, Ergebnisse aus einer Stichprobenpopulation auf die Population als Ganzes zu verallgemeinern. In diesem Kurs werden wir uns auf die Standardabweichung beschränken, da wir nur versuchen, etwas über die uns vorliegenden Daten zu sagen.

Aus diesem Grund sollten wir immer angeben, was unsere Fehlerbalken darstellen, z. B. indem wir “(w/ +/-1SD)” in den Titel oder die Beschriftung der Grafik aufnehmen.

Berechnung der zusammenfassenden Statistik

Zunächst müssen wir den Mittelwert und die Standardabweichung berechnen, gruppiert nach den Variablen, die wir visualisieren wollen
- Bleiben wir bei body_mass_g nach species und sex
- Wie können wir den Mittelwert und die Standardabweichung von “body_mass_g” nach species und sex berechnen?

Code

df_penguins %>% 
  summarise(mean = mean(body_mass_g),
            sd = sd(body_mass_g),
            N = n(),
            .by = c(species,sex)) %>% 
  arrange(species, sex) %>% 
  knitr::kable() %>% 
  kableExtra::kable_styling(font_size = 30)

species	sex	mean	sd	N
Adelie	female	3368.836	269.3801	73
Adelie	male	4043.493	346.8116	73
Chinstrap	female	3527.206	285.3339	34
Chinstrap	male	3938.971	362.1376	34
Gentoo	female	4679.741	281.5783	58
Gentoo	male	5484.836	313.1586	61

wir müssen diese Zusammenfassung in ggplot2 einspeisen
- ohne die Tabellenformatierung von knitr und kableExtra!!!!
- Wir können dies tun, indem wir die Zusammenfassung als neues Objekt speichern, oder die Zusammenfassung direkt mit einer Pipe in ggplot einspeisen

# Create new object with summaries
sum_penguins <- df_penguins %>% 
  summarise(mean = mean(body_mass_g),
            sd = sd(body_mass_g),
            upper = mean+sd,
            lower = mean-sd,
            N = n(),
            .by = c(species,sex)) %>% 
  arrange(species, sex)

# Feed new object into ggplot
sum_penguins %>% 
  ggplot(aes(x = sex, y = mean, colour = species))

df_penguins %>% 
  summarise(mean = mean(body_mass_g),
            sd = sd(body_mass_g),
            upper = mean+sd,
            lower = mean-sd,
            N = n(),
            .by = c(species,sex)) %>% 
  arrange(species, sex) %>% 
  ggplot(aes(x = sex, y = mean, colour = species))

Mittelwert aufzeichnen

wir tun dies mit geom_point()

sum_penguins %>% 
  ggplot(aes(x = sex, y = mean, 
             colour = species, shape = species)) +
  geom_point()

Hinzufügen von Fehlerbalken

wir tun dies mit geom_errorbar()
wir müssen die Abbildungsästhetik für die oberen und unteren Grenzen des Fehlerbalkens hinzufügen
- geom_errorbar(aes(ymin = mean-sd, ymax = mean+sd))
- Wir haben summarise benutzt, um mean-sd (lower) und mean+sd (upper) für jede Gruppe zu berechnen.

sum_penguins %>% 
  knitr::kable() %>% 
  kableExtra::kable_styling()

species	sex	mean	sd	upper	lower	N
Adelie	female	3368.836	269.3801	3638.216	3099.456	73
Adelie	male	4043.493	346.8116	4390.305	3696.682	73
Chinstrap	female	3527.206	285.3339	3812.540	3241.872	34
Chinstrap	male	3938.971	362.1376	4301.108	3576.833	34
Gentoo	female	4679.741	281.5783	4961.320	4398.163	58
Gentoo	male	5484.836	313.1586	5797.995	5171.677	61

sum_penguins %>% 
  ggplot(aes(x = species, y = mean, 
             colour = sex, shape = sex)) +
  geom_point() +
  geom_errorbar(aes(ymin=lower,ymax=upper))

Balkendiagramm des Mittelwerts: Finger weg!

Ich flehe Sie an, nicht Mittelwerte mit Fehlerbalken darzustellen! Sie werden sehr oft Balkendiagramme von Mittelwerten sehen, und andere unterrichten dies vielleicht sogar in anderen Kursen, aber es gibt viele Gründe, warum dies eine schlechte Idee ist!!!

Erstens können sie sehr irreführend sein. Sie beginnen bei 0 und vermitteln den Eindruck, dass die Daten beim Mittelwert enden, obwohl etwa die Hälfte der Daten (normalerweise) über dem Mittelwert liegt.

Erinnern Sie sich an das Paket datasauRus, das Datensätze mit ähnlichen Mittelwerten, Standardabweichungen und Anzahl der Beobachtungen enthält
- aber sehr unterschiedliche Verteilungen
Abbildung 12 zeigt die Verteilung von 5 dieser Datensätze (oberste Zeile), und den Mittelwert, die Standardabweichung und die Anzahl der Beobachtungen für die Variablen x und y
- Sie werden sehen, dass die Verteilungen sehr unterschiedlich aussehen.
Aus diesem Grund ist es ein guter Grund, die Rohdatenpunkte immer zu visualisieren, unabhängig davon, welche zusammenfassende Darstellung Sie erstellen (z. B. verbergen Fehlerbalken-Diagramme auch eine Menge Daten)

Abbildung 12: Datasets with the same means, sds, and Ns, but very different distributions

5.1.1 Anpassen von

Welche Anpassungen sehen Sie im Code und in der Darstellung?

sum_penguins %>% 
  ggplot(aes(x = species, y = mean, 
             colour = sex, shape = sex)) +
  geom_point(position = position_dodge(0.3),
             size = 3) +
  geom_errorbar(aes(ymin=lower,ymax=upper),
                position = position_dodge(0.3), 
                width = .3) +
  scale_colour_colorblind() +
  theme_minimal()

position = posiiton_dodge(0.3) sagt ggplot2 wie Objekte zu positionieren sind
- position_dodge() bedeutet: überlappende Objekte horizontal verschieben
- Wichtig ist, dass Sie position_dodge() für jedes Geom_ verwenden, das sich an der gleichen Stelle und mit dem gleichen Wert befinden soll, sonst werden sie nicht ausgerichtet
geom_point(size = 3): passt die Größe der Punkte an
geom_errorbar(width = .3): passt die Breite der Fehlerbalken an
- Tipp: Ich gebe immer den gleichen Wert für position_dodge() und geom_errorbar(width = ) ein, so dass die Fehlerbalken immer die ‘mittlere’ Linie berühren (probieren Sie, beide Werte zu ändern, um zu sehen, was ich meine)
scale_colour_colorblind(): verwendet ein farbenblindenfreundliches Farbschema
theme_minimal(): räumt die Darstellung auf (wir haben auch theme_bw() gesehen, mehr über Themes hier)

6 Mehrteilige Diagramme

Wir können verschiedene Arten von Diagrammen kombinieren, um unsere Daten zusammenzufassen, aber auch die Verteilung darzustellen.
- Dies ist am einfachsten, wenn sie die gleichen zugrunde liegenden Daten verwenden, wie z. B. Violinplots und Boxplots.

df_penguins %>% 
  ggplot(aes(x = species, y = body_mass_g, 
             colour = sex, shape = sex)) +
  geom_violin(aes(fill = sex), alpha = .1, position = position_dodge(.9)) +
  geom_boxplot(width = .2, position = position_dodge(.9)) +
  scale_colour_colorblind() +
  scale_fill_colorblind() +
  theme_minimal()

6.1 Plotten verschiedener Daten

dies ist schwieriger, wenn wir Zusammenfassungen (wie Fehlerbalken) und Verteilungen darstellen wollen
- Fehlerbalkenplots nehmen Datenzusammenfassungen (Mittelwert, Sd)
- Violine, Boxplot und Scatterplots nehmen alle die Rohdaten auf (jede Zeile = Beobachtung)

Lassen Sie uns versuchen, ein Streudiagramm zu unserem Fehlerbalkenplot hinzuzufügen
- Dies kann auf verschiedene Weise geschehen, z.B.,
  - man nimmt ein Streudiagramm und fügt den Mittelwert und den Fehlerbalken Geom hinzu
  - oder man nimmt die Fehlerbalkengrafik und fügt eine Streuungsgrafik “Geom” hinzu
Letzteres ist etwas einfacher, also probieren wir das aus

6.1.1 Streudiagramm zur Fehlerleiste hinzufügen

geom_point() mit den erforderlichen data und aes() verwenden

sum_penguins %>% 
  ggplot(aes(x = species, y = mean, 
             colour = sex, shape = sex)) +
  geom_point(data = df_penguins, 
             aes(x = species, y = body_mass_g)) +
  geom_point(position = position_dodge(0.3),
             size = 3) +
  geom_errorbar(aes(ymin=lower,ymax=upper),
                position = position_dodge(0.3), 
                width = .3) +
  scale_colour_colorblind() +
  theme_minimal()

6.1.2 Streudiagramm anpassen

mit position_dodge()

sum_penguins %>% 
  ggplot(aes(x = species, y = mean, 
             colour = sex, shape = sex)) +
  geom_point(data = df_penguins, 
             aes(x = species, y = body_mass_g),
             position = position_dodge(0.3)) +
  geom_point(position = position_dodge(0.3),
             size = 3) +
  geom_errorbar(aes(ymin=lower,ymax=upper),
                position = position_dodge(0.3), 
                width = .3) +
  scale_colour_colorblind() +
  theme_minimal()

6.1.3 Wert `alpha` hinzufügen

damit wir überlappende Werte unterscheiden können

sum_penguins %>% 
  ggplot(aes(x = species, y = mean, 
             colour = sex, shape = sex)) +
  geom_point(data = df_penguins, 
             aes(x = species, y = body_mass_g),
             position = position_dodge(0.3),
             alpha = .4) +
  geom_point(position = position_dodge(0.3),
             size = 3) +
  geom_errorbar(aes(ymin=lower,ymax=upper),
                position = position_dodge(0.3), 
                width = .3) +
  scale_colour_colorblind() +
  theme_minimal()

6.1.4 Position ändern

position_jitterdodge() verschiebt Objekte so, dass sie sich nicht überlappen
- wir können dodge.width = .3 setzen, um position_dodge() von errorbars zu entsprechen
- und jitter.width = um anzugeben, wie stark die Punkte zittern sollen
und geom_errorbar(size = 1) macht die Linien der Fehlerbalken dicker

sum_penguins %>% 
  ggplot(aes(x = species, y = mean, 
             colour = sex, shape = sex)) +
  geom_point(data = df_penguins, 
             aes(y = body_mass_g),
             position = position_jitterdodge(dodge.width = .3, 
                                  jitter.width = 0.3),
             alpha = .4) +
  geom_point(position = position_dodge(width =0.3),
             size = 3) +
  geom_errorbar(aes(ymin=lower,ymax=upper),
                position = position_dodge(0.3), 
                width = .3,
                size = 1) +
  scale_colour_colorblind() +
  theme_minimal()

Heutige Ziele 🏁

Heute haben wir gelernt, wie man…

mehr als drei Variablen mit facet_wrap() darstellt ✅
zusammenfassende Statistiken visualisiert ✅
mehrteilige Diagramme erstellt (z. B. Verteilungen mit zusammenfassenden Statistiken) ✅

7 Aufgaben

7.2 Code chunk options

Fügen Sie der Abbildung eine Beschriftung (fig-...) und eine Überschrift (fig-cap:) hinzu. Beschreiben Sie die Grafik kurz und verwenden Sie einen Querverweis (@fig-... zeigt, dass…).

7.3 Multi-layered plot

Versuchen Sie, Abbildung 18 zu reproduzieren. Hinweis: Sie müssen Abbildung 13 ein geom_ und einige Beschriftungen hinzufügen (und ein paar Formatierungsanpassungen, wenn Sie wollen, dass es genau so aussieht).

7.4 Patchwork

Verwenden Sie das Paket patchwork (siehe Anmerkungen zu Woche 3) und stellen Sie Ihren Boxplot und Ihre Fehlerbalken/Violin-Plots nebeneinander dar. Es sollte ungefähr so aussehen wie Abbildung 19.
- Hinweis: Wenn Sie die “Tag-Ebenen” (“A” und “B”) hinzufügen möchten, müssen Sie + plot_annotation(tag_level = "A") aus patchwork hinzufügen.

Abbildung 19: Combined plots with `patchwork`

Session Info

Hergestellt mit R version 4.3.0 (2023-04-21) (Already Tomorrow) und RStudioversion 2023.3.0.386 (Cherry Blossom).

print(sessionInfo(),locale = F)

R version 4.3.0 (2023-04-21)
Platform: aarch64-apple-darwin20 (64-bit)
Running under: macOS Ventura 13.2.1

Matrix products: default
BLAS:   /Library/Frameworks/R.framework/Versions/4.3-arm64/Resources/lib/libRblas.0.dylib 
LAPACK: /Library/Frameworks/R.framework/Versions/4.3-arm64/Resources/lib/libRlapack.dylib;  LAPACK version 3.11.0

attached base packages:
[1] stats     graphics  grDevices utils     datasets  methods   base     

other attached packages:
 [1] magick_2.7.4         patchwork_1.1.2      ggthemes_4.2.4      
 [4] palmerpenguins_0.1.1 lubridate_1.9.2      forcats_1.0.0       
 [7] stringr_1.5.0        dplyr_1.1.2          purrr_1.0.1         
[10] readr_2.1.4          tidyr_1.3.0          tibble_3.2.1        
[13] ggplot2_3.4.2        tidyverse_2.0.0     

loaded via a namespace (and not attached):
 [1] utf8_1.2.3            generics_0.1.3        xml2_1.3.4           
 [4] stringi_1.7.12        hms_1.1.3             digest_0.6.31        
 [7] magrittr_2.0.3        evaluate_0.21         grid_4.3.0           
[10] timechange_0.2.0      fastmap_1.1.1         rprojroot_2.0.3      
[13] jsonlite_1.8.5        httr_1.4.6            rvest_1.0.3          
[16] fansi_1.0.4           viridisLite_0.4.2     scales_1.2.1         
[19] cli_3.6.1             rlang_1.1.1           munsell_0.5.0        
[22] withr_2.5.0           yaml_2.3.7            tools_4.3.0          
[25] tzdb_0.4.0            colorspace_2.1-0      webshot_0.5.4        
[28] pacman_0.5.1          here_1.0.1            kableExtra_1.3.4.9000
[31] png_0.1-8             vctrs_0.6.2           R6_2.5.1             
[34] lifecycle_1.0.3       htmlwidgets_1.6.2     pkgconfig_2.0.3      
[37] pillar_1.9.0          gtable_0.3.3          glue_1.6.2           
[40] Rcpp_1.0.10           systemfonts_1.0.4     highr_0.10           
[43] xfun_0.39             tidyselect_1.2.0      rstudioapi_0.14      
[46] knitr_1.43            farver_2.1.1          datasauRus_0.1.6     
[49] htmltools_0.5.5       svglite_2.1.1         rmarkdown_2.22       
[52] labeling_0.4.2        compiler_4.3.0

Literaturverzeichnis

Nordmann, E., McAleer, P., Toivo, W., Paterson, H., & DeBruine, L. M. (2022). Data Visualization Using R for Researchers Who Do Not Use R. Advances in Methods and Practices in Psychological Science, 5(2), 251524592210746. https://doi.org/10.1177/25152459221074654

Wickham, H., Çetinkaya-Rundel, M., & Grolemund, G. (o. J.). R for Data Science (2. Aufl.). https://r4ds.hadley.nz/

Winter, B. (2019). Statistics for Linguists: An Introduction Using R. Routledge. https://doi.org/10.4324/9781315165547

--- title: "Datenvisualisierung 2" subtitle: "Darstellung der zusammenfassenden Statistik" author: "Daniela Palleschi" institute: Humboldt-Universität zu Berlin footer: "Woche 10 - Datenvisualisierung 2" lang: de date: "`r Sys.Date()`" format: html: output-file: data_viz2_blatt_DE.html include-after-body: custom.html number-sections: true number-depth: 3 toc: true toc-title: "heutige Themen" code-overflow: wrap code-tools: true self-contained: true execute: fig-width: 6 fig-asp: .618 fig-align: centre revealjs: output-file: data_viz2_folien_DE.html include-after-body: custom.html theme: [dark] width: 1600 height: 900 progress: true # smaller: true scrollable: true slide-number: c/t code-link: true code-overflow: wrap code-tools: true # logo: logos/hu_logo.png # css: logo.css incremental: true number-depth: 1 toc: false toc-depth: 1 toc-title: 'Überblick' navigation-mode: linear controls-layout: bottom-right fig-cap-location: top font-size: 0.6em slide-level: 4 self-contained: true # chalkboard: true title-slide-attributes: data-background-image: logos/logos.tif data-background-size: 15% data-background-position: 50% 92% execute: fig-width: 6 fig-asp: .618 fig-align: centre pdf: toc: true number-sections: true colorlinks: true code-overflow: wrap execute: out-width: "80%" fig-asp: .618 fig-align: centre bibliography: references/references.bib csl: references/apa.csl editor_options: chunk_output_type: console --- ```{r} #| echo: false knitr::opts_chunk$set(eval = T, # evaluate chunks echo = T, # 'print code chunk?' message = F, # 'print messages (e.g., warnings)?' error = F, # stop when error encountered warning = F) # don't print warnings ``` ```{r, eval = T, cache = F} #| echo: false # Create references.json file based on the citations in this script # make sure you have 'bibliography: references.json' in the YAML # rbbt::bbt_update_bib("_dataviz2_DE.qmd") ``` ```{r} #| eval: false #| echo: false addTaskCallback(function(...) { system("say -v Kathy Your script is done"); TRUE }, name = "announce when done") ``` # Wiederholung {.unnumbered} Letzte Woche haben wir... - Maße der zentralen Tendenz (neu) kennengelernt ✅ - Maße der Streuungsmaßen kennengelernt ✅ - gelernt, wie man die Funktion `summarise()` von `dplyr` benutzt ✅ - gelernt, wie man Zusammenfassungen nach (`.by =`) Gruppen erstellt ✅ ::: {.content-hidden when-format="pdf"} ## Gleichungen {.unnumbered} :::: columns ::: {.column width="50%"} - Wofür sind diese Gleichungen gedacht? - Wofür steht jedes Symbol? - Lösen wir für $\mu$ und $\sigma$, wenn $x$ gleich ist: + $x = 12, 35, 15, 20$ ::: ::: {.column width="50%"} \begin{align} \mu &= \frac{\sum{x}} {N} \\ \\ \sigma &= \frac{\sum{(x_i - \mu)}} {N-1} \end{align} ::: :::: ::: # Heutige Ziele {.unnumbered} Diese Woche werden wir lernen, wie man... - mehr als drei Variablen mit `facet_wrap()` darstellt - zusammenfassende Statistiken visualisiert - mehrteilige Diagramme erstellt (z. B. Verteilungen mit zusammenfassenden Statistiken) ## Lust auf mehr? {.unnumbered} - Section 2.5 ([Visualising relationsips](https://r4ds.hadley.nz/data-visualize.html#visualizing-relationships)) in @wickham_r_nodate - Ch. 4 ([Representing summary statistics](https://psyteachr.github.io/introdataviz/representing-summary-statistics.html)) in @nordmann_data_2022 # Einrichtung ```{r} # turn off scientific notation options(scipen = 999) ``` ```{r} pacman::p_load(tidyverse, palmerpenguins, ggthemes, patchwork) ``` ```{r} #| echo: false # load magick for the slides pacman::p_load(magick) ``` ```{r} df_penguins <- palmerpenguins::penguins %>% drop_na() ``` # Rückblick: Visualisierung von Verteilungen - Wir haben dies in Woche 3 anhand von + Histogramme (1 numerische Variable) + Dichteplots (1 numerische Variable) + Streudiagramme (2 numerische Variablen) + Balkendiagramme (kategorische Variablen) --- ```{r} #| echo: false fig_hist <- df_penguins %>% ggplot(aes(x = body_mass_g, fill = species)) + geom_histogram(binwidth = 200) + labs( x = "Body mass (g)", y = "Count", fill = "Species") + scale_color_colorblind() + scale_fill_colorblind() + theme_minimal() fig_dens <- df_penguins %>% ggplot(aes(x = body_mass_g, fill = species, colour = species)) + geom_density(alpha=.2) + labs( x = "Body mass (g)", y = "Density", color = "Species", fill = "Species") + scale_color_colorblind() + scale_fill_colorblind() + theme_minimal() fig_scat <- df_penguins %>% ggplot(aes(x = body_mass_g, y = flipper_length_mm)) + geom_point(aes(color = species, shape = species), alpha = .3) + labs( x = "Body mass (g)", y = "Flipper length (mm)", color = "Species", shape = "Species" ) + scale_color_colorblind() + theme_minimal() fig_bar <- df_penguins %>% ggplot( aes(x = species, fill = sex)) + geom_bar() + labs( x = "Species", y = "Count", fill = "Sex" ) + scale_fill_colorblind() + theme_minimal() fig_bar_dodge <- df_penguins %>% ggplot( aes(x = species, fill = sex)) + geom_bar(position="dodge") + labs( x = "Species", y = "Count", fill = "Sex" ) + scale_fill_colorblind() + theme_minimal() ``` - Wie viele Variablen werden in jeder Abbildung in @fig-distributions dargestellt? + Welche *Typen* von Variablen werden in den einzelnen Diagrammtypen dargestellt? ```{r} #| echo: false #| label: fig-distributions #| fig-cap: "Different plots types to visualise distribution of raw data: histogram (A), density plot (B), scatterplot (C), stacked barplot (D), and dodged barplot (E)" #| fig-width: 8 #| fig-asp: .5 (fig_hist + fig_dens) / (plot_spacer() + fig_scat + plot_spacer() + plot_layout(widths = c(1,2,1))) / (fig_bar + fig_bar_dodge) + plot_annotation(tag_levels = "A") + theme(plot.title = element_blank()) ``` ## Geigenplots - Wir können auch Violinplots verwenden, die derzeit ziemlich angesagt sind + im Grunde ein doppelseitiges/gespiegeltes Dichte-Diagramm - Violinplots gelten als einfacher zu lesen + wie wir später sehen werden, lassen sie sich auch leicht mit anderen Plots überlagern ```{r} #| code-fold: true #| label: fig-violin1 #| fig-cap: "Violin plot: a mirrored density plot" #| output-location: column-fragment #| code-line-numbers: "3" #| fig-width: 6 #| fig-asp: .6 df_penguins %>% ggplot(aes(x = species, y = body_mass_g, fill = species)) + geom_violin(alpha = .2) + labs(title = "Violin plot", x = "Body mass (g)", y = "Count", fill = "Species") + scale_color_colorblind() + scale_fill_colorblind() + theme_minimal() ``` --- ::: {.callout-tip} ## Gespiegelte Dichtekurve Was bedeutet "gespiegeltes" Dichteplot? Geigenplots sind buchstäblich nur ein doppelseitiger Dichteplot. Vergleichen Sie @fig-density2 mit @fig-violin2. Sie zeigen dieselben Daten und dieselbe Verteilung, aber die Geigen-Darstellung ist einfach eine beidseitige Dichte-Darstellung, aber ohne die entlang der Achse gedruckten "Dichte"-Werte. :::: columns ::: {.column width="50%"} ```{r} #| code-fold: true #| label: fig-density2 #| fig-cap: "Density plot: same violin plot" #| fig-width: 4 #| fig-asp: .9 df_penguins %>% ggplot(aes(y = body_mass_g, fill = species)) + facet_grid(~species) + geom_density(alpha = .2) + labs(title = "Density plot" ) + scale_fill_colorblind() + theme_minimal() + theme(axis.text.x = element_text(angle = 45, hjust=1)) ``` ::: ::: {.column width="50%"} ```{r} #| code-fold: true #| label: fig-violin2 #| fig-cap: "Violin plot: a mirrored density plot" #| fig-width: 6 #| fig-asp: .6 df_penguins %>% ggplot(aes(x = species, y = body_mass_g, fill = species)) + geom_violin(alpha = .2) + labs(title = "Violin plot", x = "Body mass (g)", y = "Count", fill = "Species") + scale_fill_colorblind() + theme_minimal() ``` ::: :::: ::: # Visualisierung von 3 oder mehr Variablen - Wie wir wissen, können wir mehr Variablen einbeziehen, indem wir sie auf die Ästhetik abbilden (z. B. `colour`, `fill` oder `shape`) - @fig-distributions hat dies getan, indem es `colour` (alle Diagramme) und `shape` (Scatterplot) verwendet hat, um `species` oder `sex` zusätzlich zu dem zu visualisieren, was entlang der x- und y-Achse abgebildet wurde --- - das Hinzufügen von zu vielen Variablen zu einer einzigen Darstellung kann die Lesbarkeit erschweren - Wie viele Variablen werden zum Beispiel im folgenden Code abgebildet? ```{r} #| ouput-location: column-fragment #| code-line-numbers: "|2|3|2,3" #| label: fig-cluttered #| output-location: column-fragment #| fig-cap: A cluttered scatterplot with 4 variables df_penguins %>% ggplot(aes(x = flipper_length_mm, y = body_mass_g)) + geom_point(aes(color = species, shape = island)) + labs( x = "Flipper length (mm)", y = "Body mass (g)", color = "Species", shape = "Island" ) + scale_color_colorblind() + theme_minimal() ``` - vier: `flipper_length_mm` (x-Achse), `body_mass_g` (y-Achse), `species` (Farbe), `island` (Form) - das ist optisch etwas unübersichtlich! ## `facet_wrap()` - eine gute Möglichkeit, unsere Daten in verschiedene Panels aufzuteilen, ist die Verwendung von `facet_wrap()` + kann verwendet werden, um ein unübersichtliches Diagramm in separate Panels zu unterteilen --- - Versuchen wir, @fig-cluttered mit `facet_wrap()` in drei Panels zu unterteilen, und zwar nach `island`. ```{r} #| code-line-numbers: "|3" #| label: fig-facet_wrap #| fig-cap: A cluttered scatterplot with 4 variables #| fig-width: 8 #| fig-asp: .5 #| output-location: column-fragment df_penguins %>% ggplot(aes(x = flipper_length_mm, y = body_mass_g)) + facet_wrap(~island) + geom_point(aes(color = species, shape = species)) + labs( x = "Flipper length (mm)", y = "Body mass (g)", color = "Species", shape = "Island" ) + scale_color_colorblind() + theme_bw() ``` - Welche Art von Variablen kann `facet_wrap()` als Argument(e) annehmen? + kategorisch! Jede 'Kategorie' erhält ihr eigenes Panel --- ::: callout-note ### `facet_grid()` `facet_wrap()` ist verwandt mit `facet_grid()`, das zwei kategoriale Variablen, eine in Spalten und eine in Zeilen, annehmen kann. Das Argument für `facet_grid()` ist eine Gleichung: `row~column`. Wenn wir also `facet_grid(sex~island)` zu unserem Diagramm hinzufügen, sollten wir die Daten in Diagrammen sehen, die nach `sex` in Zeilen (eine Zeile für `female`, eine Zeile für `male`) und nach `island` in Spalten (eine Spalte für jedes `island`) gruppiert sind. ```{r} #| code-line-numbers: "|3" #| label: fig-facet_grid #| fig-cap: "facet_grid(sex~species)" #| output-location: column #| fig.width: 7 #| fig.asp: .6 df_penguins %>% ggplot(aes(x = flipper_length_mm, y = body_mass_g)) + facet_grid(sex~island) + geom_point(aes(color = species, shape = species)) + labs( x = "Flipper length (mm)", y = "Body mass (g)", color = "Species", shape = "Species" ) + scale_color_colorblind() + theme_bw() ``` ::: # Darstellung von zusammenfassenden Statistiken - Letzte Woche haben wir über zusammenfassende Statistiken gesprochen + Maße der zentralen Tendenz und Maße der Streuung - jetzt werden wir lernen, wie man einige dieser Statistiken visualisiert + und lernen einige neue Statistiken kennen ## Boxplot {.smaller} :::: columns ::: {.column width="60%"} - Boxplots (manchmal auch Box-and-Whisker-Plots genannt) enthalten: + eine **Box** mit einer **Linie in der Mitte** + **Linien, die aus dem oberen und unteren Rand der Box herausragen** (die Whisker) - die darstellen: + **dicke Linie**: den Median, auch Q2 genannt (2. Quartil; der mittlere Wert, über/unter dem 50% der Daten liegen) + **Box**: der Interquartilsbereich (IQR; der Wertebereich zwischen den mittleren 50% der Daten), mit den Grenzen: + Q1 (1. Quartil, unter dem 25% der Daten liegen) + Q3 (3. Quartil, oberhalb dessen 25% der Daten liegen) + **Whiskers**: 1,5*IQR von Q1 (unterer Whisker) oder Q3 (oberer Whisker) + aber nur bis zur letzten Beobachtung in diesem Bereich + **Punkte**: Ausreißer (außerhalb des IQR) ::: ::: {.column width="40%"} ```{r} #| ouput-location: column-fragment #| echo: false #| code-line-numbers: "|4" #| label: fig-boxplot #| fig-cap: "Boxplot of `df_penguins` (body mass by sex)" df_penguins %>% ggplot(aes(x = sex, y = body_mass_g, colour = sex)) + geom_boxplot() + labs(title = "Boxplot", x = "Sex", y = "Body mass (g)", color = "Sex" ) + scale_color_colorblind() + theme_minimal() + theme( legend.position = "none" ) ``` ::: :::: ::: {.content-visible when-format="revealjs"} ::: notes whiskers: 1.5*IQR from Q1 (lower whisker) or Q3 (upper whisker) outliers: outside that range ::: ::: --- ::: {.callout-tip} ### Whisker length Die Whisker *können* so lang sein wie Q3+(IQR\*1,5) und Q1-(IQR\*1,5), enden aber an der letzten Beobachtung, die in diesen Bereich fällt. Betrachten wir beispielsweise @fig-boxplot2: Wenn die Whisker das 1,5-fache des IQR sein sollen, müssten sie länger sein als die Box, aber das scheinen sie nicht zu sein. Woran liegt das? Konzentrieren wir uns auf den unteren Whisker für weibliche Pinguine (den unteren linken Whisker). Er sollte nur so weit nach unten reichen wie die niedrigste Beobachtung innerhalb des Bereichs von Q1 minus IQR\*1,5, aber was sind diese Werte? Berechnen wir mit `R` Q1, Q3, IQR, den oberen und unteren Bereich, den die Whisker haben können (also die Höchst-/Minimalwerte, die die Whisker haben *können*), und schließlich den Mindestwert einer Beobachtung innerhalb dieses Bereichs (also die Mindestwerte, die der untere Whisker haben *wird*). :::: columns ::: {.column width="60%"} ```{r} #| output-location: column df_penguins %>% filter(sex == "female") %>% select(body_mass_g) %>% summary() ``` ```{r} #| output-location: column q1 <- 3350 q3 <- 4550 ``` ```{r} #| output-location: column iqr <- df_penguins %>% filter(sex == "female") %>% pull(body_mass_g) %>% IQR() ``` ```{r} #| output-location: column q3 - q1 ``` ```{r} #| output-location: column iqr ``` ```{r} #| output-location: column iqr*1.5 ``` ```{r} #| output-location: column upper <- q3 + iqr lower <- q1 - iqr ``` ```{r} #| output-location: column upper ``` ```{r} #| output-location: column lower ``` ```{r} #| output-location: column df_penguins %>% filter(body_mass_g < q1 & body_mass_g > lower & sex == "female") %>% select(body_mass_g) %>% min() ``` ::: ::: {.column width="40%"} ```{r} #| ouput-location: column-fragment #| echo: false #| code-line-numbers: "|4" #| label: fig-boxplot2 #| fig-cap: "Boxplot of body mass (g) with horizontal lines representing quartiles and whisker ranges for female penguins, with observations (scatterplot)." lower_min <- df_penguins %>% filter(body_mass_g < q1 & body_mass_g > lower & sex == "female") %>% select(body_mass_g) %>% min() upper_max <- df_penguins %>% filter(body_mass_g > q3 & body_mass_g < upper & sex == "female") %>% select(body_mass_g) %>% max() df_penguins %>% ggplot(aes(x = sex, y = body_mass_g, colour = sex)) + geom_point(position = position_jitterdodge(), alpha = .3) + geom_boxplot(alpha = 0) + labs(title = "Quartiles and whisker ranges for female penguins", x = "Sex", y = "Body mass (g)", color = "Sex" ) + annotate("text", x=.5, y = q1+ 100, label= "Q1") + annotate("text", x=.5, y = q3+ 100, label= "Q3") + annotate("text", x=1.05, y = lower_min- 100, label= "Min observation in lower whisker range") + annotate("text", x=1.05, y = upper_max+ 100, label= "Max observation in upper whisker range") + annotate("text", x=.65, y = q1-(iqr*1.5) + 100, label= "Q1 - IQR*1.5") + annotate("text", x=.65, y = q3+(iqr*1.5)+ 100, label= "Q3 + IQR*1.5") + geom_hline(yintercept = q1, linetype = "dotted") + geom_hline(yintercept = q1, linetype = "dotted") + geom_hline(yintercept = lower_min, linetype = "dotted") + geom_hline(yintercept = upper_max, linetype = "dotted") + geom_hline(yintercept = q3, linetype = "dotted") + geom_hline(yintercept = q1-(iqr*1.5), linetype = "dashed") + geom_hline(yintercept = q3+(iqr*1.5), linetype = "dashed") + scale_color_colorblind() + theme_minimal() + theme( legend.position = "none" ) ``` ::: :::: ::: --- ::: {.content-visible when-format="revealjs"} ```{r echo = F, fig.align = "center"} #| fig-cap: "Image source: @winter_statistics_2019 (all rights reserved)" #| fig-cap-location: bottom # invert colours for dark mode in slides library(magick) magick::image_negate(magick::image_read(here::here("media/Winter_2019_boxplot.png"))) ``` ::: ::: {.content-hidden when-format="revealjs"} ```{r echo = F, fig.align = "center"} #| fig-cap: "Image source: @winter_statistics_2019 (all rights reserved)" #| fig-cap-location: bottom magick::image_read(here::here("media/Winter_2019_boxplot.png")) ``` ::: --- Oder, anders ausgedrückt: ::: {.content-visible when-format="revealjs"} ```{r echo = F, fig.align = "center"} #| fig-cap: "Image source: @wickham_r_nodate (all rights reserved)" #| fig-cap-location: bottom # invert colours for dark mode in slides y <- magick::image_read(here::here("media/Wickham_boxplot.png")) magick::image_negate(y) ``` ::: ::: {.content-hidden when-format="revealjs"} ```{r echo = F, fig.align = "center"} #| fig-cap: "Image source: @wickham_r_nodate (all rights reserved)" #| fig-cap-location: bottom magick::image_read(here::here("media/Wickham_boxplot.png")) ``` ::: ### `geom_boxplot()` - können wir Boxplots mit `geom_boxplot()` erstellen ```{r} #| code-line-numbers: "|3" #| label: fig-geom-boxplot #| fig-cap: "`geom_boxplot()`" #| output-location: column #| fig-asp: .618 df_penguins %>% ggplot(aes(x = species, y = body_mass_g)) + geom_boxplot() + theme_bw() ``` - Wie viele/welche Variablentypen nimmt `geom_boxplot()`? - 2 Variablen: 1 kontinuierlich (`body_mass_g`), 1 kategorisch (`species`) ### Gruppierter Boxplot - Wie ein Balkendiagramm können wir gruppierte Boxplots erstellen, um mehr Variablen zu visualisieren + einfach eine neue Variable mit `colour` oder `fill` ästhetisch zuordnen ```{r} #| output-location: column-fragment #| fig-width: 7 #| label: df_boxplot_group #| fig-cap: A grouped boxplot df_penguins %>% ggplot(aes(x = species, y = body_mass_g, colour = sex)) + geom_boxplot() + labs( x = "Species", y = "Body mass (g)", color = "Species", shape = "Species" ) + scale_colour_colorblind() + theme_bw() ``` # Visualisierung des Mittelwerts - Boxplots zeigen ein Maß für die zentrale Tendenz und mehrere Maße für die Streuung + Median, IQR (Q1 und Q3), 1,5*IQR (Whiskers) und Ausreißer (Punkte) - In der Regel möchten wir jedoch den Mittelwert und die Standardabweichung beschreiben, wenn wir Schlussfolgerungen über Unterschiede zwischen Gruppen ziehen. - Wie können wir dies tun? ## Fehlerbalkenplots :::: columns ::: {.column width="60%"} - Wir können den Mittelwert und die Standardabweichung mit Fehlerbalkenplots visualisieren + manchmal auch Interaktionsdiagramme genannt - Diese Darstellungen bestehen aus 2 Teilen: + den Mittelwert, visualisiert mit `geom_point()` + die Standardabweichung, visualisiert mit `geom_errorbar()` - die Fehlerbalken stellen den Bereich von 1 Standardabweichung über und unter dem Mittelwert dar (Mittelwert +/- 1SD) ::: ::: {.column width="30%"} ```{r} #| ouput-location: column-fragment #| echo: false #| label: fig-errorbar #| out-width: "100%" #| fig-cap: "Errorbar plot of `df_penguins` (body mass by sex)" df_penguins %>% summarise(mean = mean(body_mass_g), sd = sd(body_mass_g), N = n(), .by = c(sex)) %>% ggplot(aes(x = sex, y = mean, colour = sex)) + # geom_point(data = df_penguins, alpha = .4, position = position_jitterdodge(.5), aes(x = sex, y = body_mass_g)) + geom_point(size = 3) + geom_errorbar(width = .5, aes(ymin=mean-sd, ymax=mean+sd)) + labs(title = "Mean body mass (g) by sex (w/ +/-1SD)", x = "Sex", y = "Body mass (g)", color = "Sex" ) + scale_color_colorblind() + theme_minimal() + theme( legend.position = "none" ) ``` ::: :::: --- ::: {.callout-tip} ### Errorbars: standard deviation In wissenschaftlichen Veröffentlichungen stehen sie in der Regel für Konfidenzintervalle (EN: confience intervals), Standardfehler (EN: standard error) oder glaubwürdige Intervalle (in der Bayes-Statistik; EN: credible interval), die eine *Inferenzstatistik* darstellen, die, einfach ausgedrückt, versucht, Ergebnisse aus einer Stichprobenpopulation auf die Population als Ganzes zu verallgemeinern. In diesem Kurs werden wir uns auf die Standardabweichung beschränken, da wir nur versuchen, etwas über die uns vorliegenden Daten zu sagen. Aus diesem Grund sollten wir immer angeben, was unsere Fehlerbalken darstellen, z. B. indem wir "(w/ +/-1SD)" in den Titel oder die Beschriftung der Grafik aufnehmen. ::: #### Berechnung der zusammenfassenden Statistik - Zunächst müssen wir den Mittelwert und die Standardabweichung berechnen, gruppiert nach den Variablen, die wir visualisieren wollen + Bleiben wir bei `body_mass_g` nach `species` und `sex` + Wie können wir den Mittelwert und die Standardabweichung von "body_mass_g" nach `species` und `sex` berechnen? ```{r} #| output-location: column-fragment #| code-fold: true #| code-line-numbers: "2,3,4,5" df_penguins %>% summarise(mean = mean(body_mass_g), sd = sd(body_mass_g), N = n(), .by = c(species,sex)) %>% arrange(species, sex) %>% knitr::kable() %>% kableExtra::kable_styling(font_size = 30) ``` --- - wir müssen diese Zusammenfassung in `ggplot2` einspeisen + ***ohne*** die Tabellenformatierung von `knitr` und `kableExtra`!!!! + Wir können dies tun, indem wir die Zusammenfassung als neues Objekt speichern, oder die Zusammenfassung direkt mit einer Pipe in ggplot einspeisen ::: {.panel-tabset} #### Neues Objekt ```{r} #| output-location: column-fragment # Create new object with summaries sum_penguins <- df_penguins %>% summarise(mean = mean(body_mass_g), sd = sd(body_mass_g), upper = mean+sd, lower = mean-sd, N = n(), .by = c(species,sex)) %>% arrange(species, sex) # Feed new object into ggplot sum_penguins %>% ggplot(aes(x = sex, y = mean, colour = species)) ``` #### Mit einem Pipe ```{r} #| output-location: column-fragment df_penguins %>% summarise(mean = mean(body_mass_g), sd = sd(body_mass_g), upper = mean+sd, lower = mean-sd, N = n(), .by = c(species,sex)) %>% arrange(species, sex) %>% ggplot(aes(x = sex, y = mean, colour = species)) ``` ::: #### Mittelwert aufzeichnen - wir tun dies mit `geom_point()` ```{r} #| output-location: column-fragment sum_penguins %>% ggplot(aes(x = sex, y = mean, colour = species, shape = species)) + geom_point() ``` #### Hinzufügen von Fehlerbalken {.smaller} :::: columns ::: {.column width="50%"} - wir tun dies mit `geom_errorbar()` - wir müssen die Abbildungsästhetik für die oberen und unteren Grenzen des Fehlerbalkens hinzufügen + `geom_errorbar(aes(ymin = mean-sd, ymax = mean+sd))` + Wir haben summarise benutzt, um `mean-sd` (`lower`) und `mean+sd` (`upper`) für jede Gruppe zu berechnen. ```{r} #| output-location: fragment sum_penguins %>% knitr::kable() %>% kableExtra::kable_styling() ``` ::: ::: {.column width="50%"} ```{r} #| output-location: fragment sum_penguins %>% ggplot(aes(x = species, y = mean, colour = sex, shape = sex)) + geom_point() + geom_errorbar(aes(ymin=lower,ymax=upper)) ``` ::: :::: --- ::: {.callout-warning} ## Balkendiagramm des Mittelwerts: Finger weg! Ich flehe Sie an, *nicht* Mittelwerte mit Fehlerbalken darzustellen! Sie werden sehr oft Balkendiagramme von Mittelwerten sehen, und andere unterrichten dies vielleicht sogar in anderen Kursen, aber es gibt viele Gründe, warum dies eine schlechte Idee ist!!! Erstens können sie sehr irreführend sein. Sie beginnen bei 0 und vermitteln den Eindruck, dass die Daten beim Mittelwert enden, obwohl etwa die Hälfte der Daten (normalerweise) über dem Mittelwert liegt. :::: columns ::: {.column width="50%"} - Erinnern Sie sich an das Paket `datasauRus`, das Datensätze mit ähnlichen Mittelwerten, Standardabweichungen und Anzahl der Beobachtungen enthält + aber *sehr* unterschiedliche Verteilungen - @fig-dino-barplot zeigt die Verteilung von 5 dieser Datensätze (oberste Zeile), und den Mittelwert, die Standardabweichung und die Anzahl der Beobachtungen für die Variablen `x` und `y` + Sie werden sehen, dass die Verteilungen sehr unterschiedlich aussehen. - Aus diesem Grund ist es ein guter Grund, die Rohdatenpunkte *immer* zu visualisieren, unabhängig davon, welche zusammenfassende Darstellung Sie erstellen (z. B. verbergen Fehlerbalken-Diagramme auch eine Menge Daten) ::: ::: {.column width="50%"} ```{r} #| echo: false fig_datasaurus_scatter <- datasauRus::datasaurus_dozen %>% filter(dataset %in% c("away", "bullseye", "circle", "dino", "star")) %>% ggplot(aes(x = x, y = y, colour = dataset))+ geom_point() + theme_minimal() + theme(legend.position = "none")+ facet_wrap(~dataset, ncol = 5) fig_datasaurus_bar <- datasauRus::datasaurus_dozen %>% filter(dataset %in% c("away", "bullseye", "circle", "dino", "star")) %>% pivot_longer(cols = c(x,y), names_to = "variable", values_to = "value") %>% summarise(mean = mean(value), sd = sd(value), n = n(), .by = c(dataset, variable)) %>% pivot_wider( id_cols = dataset, names_from = variable, values_from = c(mean,sd,n) ) %>% pivot_longer( cols = c(2:7), names_to = "measure", values_to = "value" ) %>% ggplot(aes(x = measure, y = value, fill = dataset)) + facet_grid(~dataset) + geom_bar(stat = "identity") + theme_minimal() + theme(legend.position = "none") + theme(axis.text.x = element_text(angle = 45, hjust=1)) ``` ```{r} #| fig-width: 8 #| fig-asp: .6 #| label: fig-dino-barplot #| fig-cap: Datasets with the same means, sds, and Ns, but very different distributions #| echo: false fig_datasaurus_scatter / fig_datasaurus_bar ``` ::: :::: ::: ### Anpassen von - Welche Anpassungen sehen Sie im Code und in der Darstellung? ```{r} #| output-location: column-fragment sum_penguins %>% ggplot(aes(x = species, y = mean, colour = sex, shape = sex)) + geom_point(position = position_dodge(0.3), size = 3) + geom_errorbar(aes(ymin=lower,ymax=upper), position = position_dodge(0.3), width = .3) + scale_colour_colorblind() + theme_minimal() ``` --- - `position = posiiton_dodge(0.3)` sagt `ggplot2` wie Objekte zu positionieren sind + `position_dodge()` bedeutet: überlappende Objekte horizontal verschieben + Wichtig ist, dass Sie `position_dodge()` für *jedes* `Geom_` verwenden, das sich an der gleichen Stelle und mit dem gleichen Wert befinden soll, sonst werden sie nicht ausgerichtet - `geom_point(size = 3)`: passt die Größe der Punkte an - `geom_errorbar(width = .3)`: passt die Breite der Fehlerbalken an + Tipp: Ich gebe immer den gleichen Wert für `position_dodge()` und `geom_errorbar(width = )` ein, so dass die Fehlerbalken immer die 'mittlere' Linie berühren (probieren Sie, beide Werte zu ändern, um zu sehen, was ich meine) - `scale_colour_colorblind()`: verwendet ein farbenblindenfreundliches Farbschema - `theme_minimal()`: räumt die Darstellung auf (wir haben auch `theme_bw()` gesehen, mehr über Themes [hier](https://ggplot2.tidyverse.org/reference/ggtheme.html)) # Mehrteilige Diagramme - Wir können verschiedene Arten von Diagrammen kombinieren, um unsere Daten zusammenzufassen, aber auch die Verteilung darzustellen. + Dies ist am einfachsten, wenn sie die gleichen zugrunde liegenden Daten verwenden, wie z. B. Violinplots und Boxplots. ```{r} #| output-location: slide #| code-line-numbers: "4,5" #| label: fig-violin-boxplot #| fig-cap: "A violin-boxplot" df_penguins %>% ggplot(aes(x = species, y = body_mass_g, colour = sex, shape = sex)) + geom_violin(aes(fill = sex), alpha = .1, position = position_dodge(.9)) + geom_boxplot(width = .2, position = position_dodge(.9)) + scale_colour_colorblind() + scale_fill_colorblind() + theme_minimal() ``` ## Plotten verschiedener Daten - dies ist schwieriger, wenn wir Zusammenfassungen (wie Fehlerbalken) *und* Verteilungen darstellen wollen + Fehlerbalkenplots nehmen Datenzusammenfassungen (Mittelwert, Sd) + Violine, Boxplot und Scatterplots nehmen alle die Rohdaten auf (jede Zeile = Beobachtung) --- - Lassen Sie uns versuchen, ein Streudiagramm zu unserem Fehlerbalkenplot hinzuzufügen + Dies kann auf verschiedene Weise geschehen, z.B., + man nimmt ein Streudiagramm und fügt den Mittelwert und den Fehlerbalken `Geom` hinzu + oder man nimmt die Fehlerbalkengrafik und fügt eine Streuungsgrafik "Geom" hinzu - Letzteres ist etwas einfacher, also probieren wir das aus --- ### Streudiagramm zur Fehlerleiste hinzufügen - `geom_point()` mit den erforderlichen `data` und `aes()` verwenden ```{r} #| output-location: column-fragment #| code-line-numbers: "4,5" #| label: fig-errorbar-scatter1 #| fig-cap: "Scatterplot with errorbar" sum_penguins %>% ggplot(aes(x = species, y = mean, colour = sex, shape = sex)) + geom_point(data = df_penguins, aes(x = species, y = body_mass_g)) + geom_point(position = position_dodge(0.3), size = 3) + geom_errorbar(aes(ymin=lower,ymax=upper), position = position_dodge(0.3), width = .3) + scale_colour_colorblind() + theme_minimal() ``` ### Streudiagramm anpassen - mit `position_dodge()` ```{r} #| output-location: column-fragment #| code-line-numbers: "6" #| label: fig-errorbar-scatter2 #| fig-cap: "Scatterplot with errorbar" sum_penguins %>% ggplot(aes(x = species, y = mean, colour = sex, shape = sex)) + geom_point(data = df_penguins, aes(x = species, y = body_mass_g), position = position_dodge(0.3)) + geom_point(position = position_dodge(0.3), size = 3) + geom_errorbar(aes(ymin=lower,ymax=upper), position = position_dodge(0.3), width = .3) + scale_colour_colorblind() + theme_minimal() ``` ### Wert `alpha` hinzufügen - damit wir überlappende Werte unterscheiden können ```{r} #| output-location: column-fragment #| code-line-numbers: "7" #| label: fig-errorbar-scatter3 #| fig-cap: "Scatterplot with errorbar" sum_penguins %>% ggplot(aes(x = species, y = mean, colour = sex, shape = sex)) + geom_point(data = df_penguins, aes(x = species, y = body_mass_g), position = position_dodge(0.3), alpha = .4) + geom_point(position = position_dodge(0.3), size = 3) + geom_errorbar(aes(ymin=lower,ymax=upper), position = position_dodge(0.3), width = .3) + scale_colour_colorblind() + theme_minimal() ``` ### Position ändern {.smaller} - `position_jitterdodge()` verschiebt Objekte so, dass sie sich nicht überlappen + wir können `dodge.width = .3` setzen, um `position_dodge()` von errorbars zu entsprechen + und `jitter.width = ` um anzugeben, wie stark die Punkte zittern sollen - und `geom_errorbar(size = 1)` macht die Linien der Fehlerbalken dicker ```{r} #| output-location: column-fragment #| code-line-numbers: "|6,7,14" #| label: fig-errorbar-scatter4 #| fig-cap: "Scatterplot with errorbar" sum_penguins %>% ggplot(aes(x = species, y = mean, colour = sex, shape = sex)) + geom_point(data = df_penguins, aes(y = body_mass_g), position = position_jitterdodge(dodge.width = .3, jitter.width = 0.3), alpha = .4) + geom_point(position = position_dodge(width =0.3), size = 3) + geom_errorbar(aes(ymin=lower,ymax=upper), position = position_dodge(0.3), width = .3, size = 1) + scale_colour_colorblind() + theme_minimal() ``` # Heutige Ziele 🏁 {.unnumbered .unlisted} Heute haben wir gelernt, wie man... - mehr als drei Variablen mit `facet_wrap()` darstellt ✅ - zusammenfassende Statistiken visualisiert ✅ - mehrteilige Diagramme erstellt (z. B. Verteilungen mit zusammenfassenden Statistiken) ✅ # Aufgaben ## Boxplot with facet ::: nonincremental 1. Erstelle einen Boxplot der `df_penguins` Daten, mit: + Geschlecht" auf der "x"-Achse und mit "Farbe" *oder* "Füllung" (wähle eine) + Flipper_Länge_mm" auf der y-Achse aufgetragen + Insel" in drei Feldern unter Verwendung von "facet_wrap()" aufgetragen + die von Ihnen gewählte `Theme_`-Einstellung (z.B. `theme_bw()`; für weitere Optionen siehe [hier](https://ggplot2.tidyverse.org/reference/ggtheme.html)) ::: ## Code chunk options ::: nonincremental 2. Fügen Sie der Abbildung eine Beschriftung (`fig-...`) und eine Überschrift (`fig-cap: `) hinzu. Beschreiben Sie die Grafik kurz und verwenden Sie einen Querverweis (*`@fig-...` zeigt, dass...*). ::: ## Multi-layered plot ::: nonincremental 3. Versuchen Sie, @fig-violin-box-scatterplot zu reproduzieren. Hinweis: Sie müssen @fig-violin-boxplot ein `geom_` und einige Beschriftungen hinzufügen (und ein paar Formatierungsanpassungen, wenn Sie wollen, dass es genau so aussieht). ::: ```{r} #| echo: false #| label: fig-violin-box-scatterplot #| fig-cap: "A multi-layered plot" df_penguins %>% ggplot(aes(x = species, y = body_mass_g, colour = sex, shape = sex)) + labs(title = "Body mass (g) species and sex", x = "Sex", y = "Body mass (g)") + geom_point(alpha = .3, position = position_jitterdodge(dodge.width=.9, jitter.width = .4), size = 2) + geom_violin(aes(fill = sex), alpha = .1, position = position_dodge(.9)) + geom_boxplot(alpha = .3, width = .5, position = position_dodge(.9)) + scale_colour_colorblind() + scale_fill_colorblind() + theme_bw() + theme(legend.position = "none") ``` ## Patchwork {.smaller} ::: nonincremental 4. Verwenden Sie das Paket `patchwork` (siehe Anmerkungen zu Woche 3) und stellen Sie Ihren Boxplot und Ihre Fehlerbalken/Violin-Plots nebeneinander dar. Es sollte ungefähr so aussehen wie @fig-patchwork. + Hinweis: Wenn Sie die "Tag-Ebenen" ("A" und "B") hinzufügen möchten, müssen Sie `+ plot_annotation(tag_level = "A")` aus `patchwork` hinzufügen. ::: ```{r} #| echo: false fig_aufgabe1 <- df_penguins %>% ggplot(aes(x = sex, y = flipper_length_mm, colour = sex, shape = sex)) + facet_wrap(~island) + labs(title = "Boxplot", y = "Flipper length (mm)", colour = "Sex", shape = "Sex") + geom_boxplot(position = position_dodge(width =0.4)) + scale_colour_colorblind() + theme_bw() + theme(legend.position = "none") fig_aufgabe2 <- sum_penguins %>% ggplot(aes(x = species, y = mean, colour = sex, shape = sex)) + labs(title = "Errorbar with scatterplot", x = "Species", y = "Body mass (g)", colour = "Sex", shape = "Sex") + geom_point(data = df_penguins, aes(y = body_mass_g), position = position_jitterdodge(dodge.width=.5, jitter.width=.3), alpha = .2) + geom_point(position = position_dodge(width =0.5), size = 3) + geom_errorbar(aes(ymin=lower,ymax=upper), position = position_dodge(0.5), width = .3, size = 1) + scale_colour_colorblind() + theme_bw() ``` ```{r} #| label: fig-patchwork #| fig-cap: Combined plots with `patchwork` #| echo: false #| fig-width: 8 #| fig-asp: .5 fig_aufgabe1 + fig_aufgabe2 + plot_annotation(tag_levels = "A") ``` # Session Info {.unnumbered} ```{r} #| eval: false #| echo: false RStudio.Version()$version ``` Hergestellt mit `r R.version.string` (`r R.version$nickname`) und RStudioversion 2023.3.0.386 (Cherry Blossom). ```{r} print(sessionInfo(),locale = F) ``` # Literaturverzeichnis {.unlisted .unnumbered visibility="uncounted"} ::: {#refs custom-style="Bibliography"} :::

Wiederholung

Gleichungen

Heutige Ziele

Lust auf mehr?

1 Einrichtung

2 Rückblick: Visualisierung von Verteilungen

2.1 Geigenplots

3 Visualisierung von 3 oder mehr Variablen

3.1 facet_wrap()

4 Darstellung von zusammenfassenden Statistiken

4.1 Boxplot

4.1.1 geom_boxplot()

4.1.2 Gruppierter Boxplot

5 Visualisierung des Mittelwerts

5.1 Fehlerbalkenplots

Berechnung der zusammenfassenden Statistik

Mittelwert aufzeichnen

Hinzufügen von Fehlerbalken

5.1.1 Anpassen von

6 Mehrteilige Diagramme

6.1 Plotten verschiedener Daten

6.1.1 Streudiagramm zur Fehlerleiste hinzufügen

6.1.2 Streudiagramm anpassen

6.1.3 Wert alpha hinzufügen

6.1.4 Position ändern

Heutige Ziele 🏁

7 Aufgaben

7.1 Boxplot with facet

7.2 Code chunk options

7.3 Multi-layered plot

7.4 Patchwork

Session Info

Literaturverzeichnis

3.1 `facet_wrap()`

4.1.1 `geom_boxplot()`

6.1.3 Wert `alpha` hinzufügen